Universitat Internacional de Catalunya
Introdueix els estudiants als conceptes fonamentals i aplicacions pràctiques de la intel·ligència artificial en la recerca biomèdica i l'atenció mèdica.
Haver superat amb èxit les assignatures d'Introducció a la Bioinformàtica i Interacció de Biomolècules.
Comprendre els principis de la IA generativa i les seves aplicacions biomèdiques
Comprendre els conceptes d'aprenentatge automàtic (machine learning) i aprenentatge profund (deep learning)
Avaluar models i fluxos de treball d'aprenentatge automàtic
Analitzar les aplicacions de la IA en genòmica, anàlisi de cèl·lula única (single-cell) i descobriment de fàrmacs
Discutir les implicacions ètiques, la interpretabilitat i la governança de la IA en medicina
En finalitzar el curs, els estudiants seran capaços d'aplicar i avaluar críticament la IA generativa i els models d'aprenentatge automàtic per resoldre reptes biomèdics, alhora que naveguen per les seves implicacions ètiques i pràctiques.
Començant amb ChatGPT, Claude i DeepSeek
Conceptes d'IA generativa
Models de Llenguatge Gran (LLMs) incloent tokens, prompts i dades d'entrenament
Casos d'ús biomèdics com resum, revisió bibliogràfica i assistència en programació
Exploració pràctica interactuant amb models d'IA
Ús crític abastant al·lucinacions, biaix i ús responsable de prompts
Discussió sobre el suport de la IA generativa en l'aprenentatge i la recerca biomèdica
Desmitificant conceptes d'IA abans del codi
Definició d'Intel·ligència Artificial
Definicions i diferències entre Machine Learning i Deep Learning
Patrons, inferència i representació de dades
Aprenentatge supervisat, no supervisat i per reforç
El flux de treball del machine learning: de les dades a l'avaluació
Exemples de casos biomèdics com la puntuació de risc de càncer i classificació de malalties
Aprenent sense matemàtiques usant intuïció i eines
Representació de dades simplificada incloent característiques (features), matrius, vectors i embeddings (4 hores)
Algoritmes supervisats bàsics simplificats incloent regressió logística, arbres de decisió, boscos aleatoris i SVMs
Arquitectura bàsica de xarxes neuronals i dinàmica d'aprenentatge
Avaluació de models abastant exactitud (accuracy), sensibilitat, especificitat i AUC (4 hores)
IA en genòmica, multi-òmiques i cèl·lula única (single cell)
Identificació de hits mitjançant quimioinformàtica amb IA, biologia estructural i docking
Optimització de leads predient afinitat, toxicitat, ADME i estratificació de pacients
Models fundacionals en salut, imatge, wearables, robots de laboratori i el cas de Recursion
Explicabilitat de la IA mitjançant coeficients lineals, importància de característiques, Shap i GNN
Geopolítica de la IA, sostenibilitat, ètica, governança i codi obert
Debat pràctic sobre IA a classe referent a pacients en hospitals
38 hores combinant Classes Magistrals (CM) i Mètode del Cas (MC), integrant presentacions teòriques amb exercicis pràctics.
2 hores per a l'examen parcial
20% Sessions de mètode del cas
30% Examen parcial
40% Examen final
10% Criteris subjectius basats en implicació i participació
Si l'examen consta de preguntes d'opció múltiple (tipus test), d'acord amb la normativa del grau, per cada +1 punt per una resposta correcta, es restaran punts per respostes incorrectes de la següent manera:
-0,33 punts si hi ha 4 opcions de resposta (amb una correcta).
-0,25 punts si hi ha 5 opcions de resposta (amb una correcta).
75% Examen final
25% Es manté la nota del mètode del cas i avaluació subjectiva
Nota mínima de 5 a l'examen final
Promig general de 5 o superior
Assistència mínima del 75%
L'ús inapropiat de dispositius electrònics pot resultar en l'expulsió de classe
Biomedical Informatics, 4th Edition. Springer (2014). ISBN: 978-1-4471-4473-1